数据运营-计算留存率和转化率（漏斗分析Python）

一、案例数据

在数据运营中，留存率分析和转化率（漏斗）分析是经常用到的，本文结合具体案例总结了如何利用python求n日留存率以及各环节间转化率。
指标释义

案例数据集介绍：
本文是利用淘宝app的运营数据进行分析的，数据集中包含以下字段（部分）：

user_id:用户id
time:用户行为发生时间
behavior_type:用户行为类型，具体可分为（1点击、2收藏、3加入购物车以及4支付购买）。

根据time字段可以得到以下特征数据：

day:用户行为发生日期
hour:时段
weekday:周期

数据下载

二、留存率计算

留存用户：在某段时间开始使用产品，经过一段时间后仍然继续使用产品的用户，即为留存用户。
留存率=仍旧使用产品的用户量/最初的总用户量。
根据时间维度进行分类，留存率经常分为次日留存、3日留存、7日留存以及30日留存等。
程序逻辑:

识别出指定日期的新用户集合，记用户量为b
得到第n天用户集合
识别、计算指定日期新用户在第n天仍使用产品的数量，记用户量为a
留存率=a/b

#建立留存函数(里面默认data数据中有day/user_id两个字段数据，day为日期、user_id为用户id)#导入数据包
import pandas as pd
import numpy as np
from datetime import timedelta#建立n日留存率计算函数
def cal_retention(data,n): #n为n日留存user=[]date=pd.Series(data.day.unique()).sort_values()[:-n] #时间截取至最后一天的前n天retention_rates=[]for i in date:new_user=set(data[data.day==i].user_id.unique())-set(user) #识别新用户，本案例中设初始用户量为零user.extend(new_user)  #将新用户加入用户群中#第n天留存情况user_nday=data[data.day==i+timedelta(n)].user_id.unique() #第n天登录的用户情况a=0for user_id in user_nday:if user_id in new_user:a+=1retention_rate=a/len(new_user) #计算该天第n日留存率retention_rates.append(retention_rate) #汇总n日留存数据data_retention=pd.Series(retention_rates,index=date)return data_retentiondata_retention=cal_retention(taobaoappDf,3)  #求用户的3日留存情况

三、转化率计算（漏斗分析）

通过漏斗分析，我们可以发现在一个多步骤过程中每一步的转化和流失情况。
本案例的漏斗中，流程顺序为1点击-3加入购物车-2收藏-4支付（假设以上步骤只能依次进行或中断，不能跳过中间过程到下个节点）。
程序逻辑：分别计算进入各个环节的用户量，再分别比较。

#用户从点击到最终支付的过程中流失率（或转化率）情况def cal_funnel(data,datetime):data1=data.groupby([datetime,'behavior_type']).user_id.count().reset_index().rename(columns={'user_id':'total'}) #不同时间中，各用户行为的用户数量lose_rates=[]  #流失率date2=pd.Series(data1[datetime].unique())for i in date2:data2=data1[data1[datetime]==i]click_to_car=1-data2[data2.behavior_type==3].reset_index().loc[0,'total']/data2[data2.behavior_type==1].reset_index().loc[0,'total']car_to_collect=1-data2[data2.behavior_type==2].reset_index().loc[0,'total']/data2[data2.behavior_type==3].reset_index().loc[0,'total']collect_to_pay=1-data2[data2.behavior_type==4].reset_index().loc[0,'total']/data2[data2.behavior_type==2].reset_index().loc[0,'total']lose_rate=[click_to_car,car_to_collect,collect_to_pay]lose_rates.append(lose_rate)data3=pd.DataFrame(lose_rates,index=date2,columns=['click_to_car','car_to_collect','collect_to_pay'])return data3a_hour_lose=cal_funnel(taobaoappDf,'hour')
a_day_lose=cal_funnel(taobaoappDf,'day')
a_weekday_lose=cal_funnel(taobaoappDf,'weekday')

数据运营-计算留存率和转化率（漏斗分析Python）相关推荐

阿里云大数据MaxCompute计算资源分布以及LogView分析优化
摘要: MaxCompute(原ODPS)的概念海量数据处理平台,服务于批量结构化数据的存储和计算,提供海量数据仓库的解决方案以及针对大数据的分析建模服务.(官方文档有这里就不多做介绍了)官方文档链 ...
【数据运营】数据分析中，文本分析远比数值型分析重要！（下）
本文是<数据分析中,文本分析远比数值型分析重要!>的下篇,以一个实际案例来聊文本分析在实际运营如何落地.行为脉络如下:先简要讲述文本分析的分支---情绪分析的基本原理,然后以亚马逊的Kin ...
数据运营-常见问题留存率/连续登陆等（SQL Hive）
一.问题:留存率计算(SQL) 字段及表说明: 表名:user_log 字段名: log_day:登录日期 device_id:用户设备id app_id:用户app的id,其中device_id和a ...
大数据毕业设计网络舆情热点分析系统 - 情感分析 Python
文章目录 0 前言 1 课题背景 2 数据处理 3 文本情感分析 3.1 情感分析-词库搭建 3.2 文本情感分析实现 3.3 建立情感倾向性分析模型 4 数据可视化工具 4.1 django框架介绍 ...
运营数据分析模型—漏斗分析
漏斗分析(转化分析/路径分析) 漏斗分析是基于用户在产品上旅程的分析方法,能够从用户使用过程的角度考察用户的转化和流失,是最常见的分析模型,广泛应用于Web.APP以及线下产品的数据运营与数据分析中, ...
【App数据运营分析】
● 基础指标 1.用户:总用户数.新用户数.留存用户.转化率.地域分析: 2.活跃:日活跃(DAU).周活跃(WAU).月活跃(MAU): 3.营收:付费人数.付费率.付费点分布: 4.应用:启动次数 ...
数据分析模型：漏斗分析
01 什么是漏斗分析漏斗分析是一套流程式的数据分析方法,能够科学地反映各阶段用户转化情况. 漏斗分析模型已经广泛应用于用户行为分析类产品,且功能十分强大:它可以评估总体或各个环节的转化情况.促销活动 ...
ClickHouse 实现有序漏斗分析与数据可视化
Clickhouse 实现漏斗分析与数据可视化 1.前言 2.环境准备 2.1.测试表 2.2.插入伪造的样例数据 2.2.1.插入伪造的登录数据 2.2.2.插入伪造的浏览数据 2.2.3.插入伪造 ...
神策数据罗彦博：如何正确使用漏斗分析提升转化？
本文根据神策数据数字营销经理罗彦博<如何正确使用漏斗分析提升转化>直播整理而成.本文主要内容如下: 通过漏斗分析做 SEM 实时调整推广落地页的转化路径设计 APP 推广中的数据拦截问题 ...

数据运营-计算留存率和转化率（漏斗分析Python）

一、案例数据

二、留存率计算

三、转化率计算（漏斗分析）

数据运营-计算留存率和转化率（漏斗分析Python）相关推荐

最新文章

热门文章